Intelligente Optimierung von Wasserund Abwasserprozessen

Intelligente Optimierung von Wasserund Abwasserprozessen

Wo Disziplinen aufeinander treffen, kann Neues entstehen. Wir haben die Technologie der Künstlichen Neuronalen Netze und der Genetischen Algorithmen mit der Verfahrenstechnik der Wasseraufbereitung, -verteilung, Abfluss-Steuerung sowie Abwasserbehandlung kombiniert. Entstanden sind Lösungen, die die modellbasierte Optimierung von Anlagen wirtschaftlich höchst attraktiv machen. Die Reduzierung von Schadstoff-Frachten für die Umwelt, bei gleichzeitiger Einsparung von Aufwand und Kosten, haben wir uns zum Ziel gesetzt! Unser Slogan: Vom Datenfriedhof...... zur optimierten Anlage! Eine Membranfilteranlage muss regelmäßig rückgespült werden, um ihre Leistungsfähigkeit zu behalten. Die Kunst liegt nun darin, die Rückstehenden Anlagen noch erhebliche Einsparpotentiale, die durch eine intelligente Fahrweise erschlossen werden können. Zudem haben eine Reihe von aktuellen gesetzlichen Maßnahmen zur Verschärfung von Grenzwerten eine markttreibende Wirkung. Innovative Softwaretechnologien ermöglichen eine solche Intelligente Fahrweise. Wasserfassung (Beispiel Brunnensteuerung) Die Steuerung eines vernetzten Systems von Brunnen unterschiedlicher Ergiebigkeit zur Deckung eines bestimmten Rohwasserbedarfs ist keine leichte Aufgabe. Ein (Neuronales) Modell des Brunnensystems kann in Verbindung mit einem Genetischen Optimierer diese Herausforderung meistern. Und dieses Modell ist wesentlicher leichter zu erstellen, als ein physikalisches / hydraulisches Modell. Wer sind wir? Das Unternehmen aquatune wurde als GmbH gegründet und ist Teil eines leistungsstarken Netzwerks. Alle Gründer und Mitarbeiter von aquatune besitzen langjährige Erfahrungen in der Automatisierung und Optimierung von technischen und kommerziellen Prozessen. Wir sind getrieben von der Idee, durch die Anwendung der richtigen Technologien die Prozesse zu optimieren, die sich bisher einer ökonomisch sinnvollen Optimierung entzogen haben. Unser Geschäft Wir beschäftigen uns mit der Entwicklung und Vermarktung von Produkten und Dienstleistungen im Bereich der verfahrenstechnischen Prozessoptimierung. Wir optimieren alle Prozesse, die mit Wasser zu tun haben, von der Quelle über die Aufbereitung und Verteilung bis zur Kläranlage. Die Situation in Deutschland ist dadurch gekennzeichnet, dass kaum noch neue Anlagen gebaut werden. Allerdings liegen im Betrieb der be- Wasseraufbereitung (Beispiel: Membranfiltration)

spülzeitpunkte, -häufigkeit, -intensität so zu steuern, dass die Produktivität der Anlage maximal und die Energie- und Betriebsmittelkosten minimal werden. In der Praxis meist durch feste zeitliche Abläufe gelöst, führt auch hier die Modellbildung und anschließende genetische Optimierung zu wesentlichen Verbesserungen. Abwasserbehandlung (Kläranlagen) Die sichere Einhaltung von Grenzwerten bei gleichzeitig wirtschaftlichem Einsatz von Energie und Betriebsmitteln (Fällmittel, Flockungsmittel, Kohlenstoffquellen...) ist für den Menschen eine große Herausforderung. Lösungen auf der Basis von physikalischen Modellen haben sich aufgrund des Aufwands und der Komplexität bisher nicht durchgesetzt. Neuronale Modelle der Belebungsanlagen und / oder der Schlammbehandlung helfen zuverlässig, den jeweils optimalen Betriebszustand zu erreichen. Die Qualität der Ergebnisse geht dabei weit über die von einfachen Redox- Reglern hinaus. 1 : keine Rückspülung 2 : Mittlerer Permeatfluß mit Rückspülung 3 : Maximaler Permeatfluß nach Rückspülung Abwasser- und Niederschlagswasserableitung In vielen Kanalnetzen lassen sich die vorhandenen Pufferkapazitäten wesentlich besser nutzen, wenn sie nicht fest eingestellt, sondern intelligent geregelt werden. Damit lassen sich viele tausend Tonnen von schädlichen Frachten, die bei Abschlägen unbehandelt in die Natur laufen, vermeiden. Handelt es sich sogar um eine Anlage in Festbett-Technologie, so versagen Regelungskonzepte, die auf der Messung von Sauerstoffkonzentrationen und Redoxpotentialen beruhen, völlig. Hier hilft der datengetriebene Ansatz der Modellbildung durch ein Künstliches Neuronales Netz. Technologie Im Bereich der Wasseraufbereitung und Abwasserbehandlung gibt es eine ganze Reihe von Prozessen hoher Komplexität, wie beispielsweise die biochemischen Abbauprozesse in den Belebungsstufen moderner Kläranlagen. Diese Prozesse sind entweder noch nicht komplett verstanden, oder die aus dem grundlegenden Verständnis heraus entwickelten Modelle sind sehr komplex (viele Gleichungen, noch mehr Parameter). Daher werden diese Prozesse heute mit einfachen Reglern, Erfahrungswerten und Plausibilitätsregeln gesteuert. Das funktioniert teilweise sogar recht gut. Allerdings hängt die Qualität der Ergebnisse stark von der Erfahrung und dem Engagement der beteiligten Anlagenfahrer ab. Auch kommt es immer wieder aufgrund von besonderen Belastungssituationen (z.b. im Herbst durch Weinkampagnen) zu Ausreißern, wenn nicht sogar zu Grenzwertüberschreitungen. Da die Anlagen nicht am möglichen Optimum fahren, werden außerdem zu viel Energie und Betriebsmittel aufgewendet. Der Bedarf nach besseren Methoden der Regelung komplexer Prozesse ist also gegeben. Die Lösung liegt in der Anwendung moderner Softwaremethoden, die

genau für die Beherrschung von Komplexität entwickelt wurden: Künstliche Neuronale Netze, Genetische Algorithmen und Fuzzy-Logik. Und dies durchaus in Kombination mit konventionellen Methoden der Regelungstechnik und Statistik. Neuronale Netze Künstliche Neuronale Netze (kurz: KNN, engl. artificial neural networks ANNs) haben ihren Namen aus der Analogie zur Modellvorstellung, die wir von der Funktionsweise des menschlichen Gehirns haben. Sie sind ein mathematisches Gebilde (Netz), das aus einer nahezu beliebig komplexen, nichtlinearen Funktion besteht, deren Parameter von einem Lernverfahren iterativ so lange variiert werden, bis ein gewünschtes Verhalten gegeben ist. Aus anliegenden Eingangsinformationen ermittelt das KNN eine Ausgangsinformation. Ist das KNN darauf trainiert worden, sich wie ein bestimmter verfahrenstechnischer Prozess zu verhalten, dann spricht man auch vom KNN als einem Modell des Prozesses. In der Regel wird ein solches Modell als Prognosesystem benutzt. Künstliche Neuronale Netze stehen in dem Ruf, undurchsichtige Black Boxes zu sein. Das liegt daran, dass die Prozesszusammenhänge, die das Netz gelernt hat, in den vielen verschiedenen Parametern des Netzes stecken und so für den Menschen nicht direkt interpretierbar sind. Allerdings hat unser Partner, die Firma ATLAN-tec, in den letzten Jahren mächtige Werkzeuge entwickelt, mit denen sich das erzeugte Modell von allen Seiten her durchleuchten lässt. Von der Validierung über die Korrelationsanalyse, diverse statistische Analysen, Kausalitätsgrafiken bis hin zu beliebigen 3 dimensionalen Schnitten durch den Zustandsraum stehen diese Werkzeuge auf Knopfdruck zur Verfügung, und machen das Netz bzw. Modell so transparent, wie man es sich nur wünschen kann. Schon mancher Experte hat sich gewundert und seine Meinung über bestimmte Prozesszusammenhänge revidiert, nachdem die Kausalitätsanalyse von NeuroModel seine Meinung widerlegt hatte... Validierung Sie haben überall dort Vorteile, wo die analytische Suche aufgrund der Komplexität zu aufwändig oder gar hoffnungslos ist. Korrelation Kausalität 3D-Plot Genetische Algorithmen Die Genetischen Algorithmen (GA) haben ihren Namen ebenfalls aus der Analogie zu einer Modellvorstellung, die wir von der Funktionsweise der Natur haben. Diesmal ist es unsere Vorstellung von der Evolution. Konzepte wie Mutation und Auslese werden in mathematischen Verfahren nachgeahmt, die zur Lösungsfindung eingesetzt werden können. In Verbindung mit einem KNN als Modell eines technischen Prozesses kann man einen GA z.b. einsetzen, um den Satz von Einstellwerten für den Prozess zu finden, der eine definierte Zielfunktion minimiert. Diese Zielfunktion könnte beispielsweise lauten: Finde die Einstellung, die zu einer sicheren Einhaltung der Grenzwerte (z.b. Überwachungs-

werte - 15%) gewährleistet und dabei den Energieeinsatz sowie den Einsatz von Methanol und Fe(III)Cl minimiert. Man kann die Einstellwerte, die das System findet, von Hand oder auch automatisch in das Prozessleitsystem eingeben. In jedem Fall läuft die Anlage anschließend so nah am theoretischen Optimum, wie es praktisch möglich ist. Fuzzy-Logic Das Ergebnis des Entwurfs eines Fuzzy-Logic-Systems ist im mathematischen Sinne identisch zum Ergebnis des Entwurfs eines Künstlichen Neuronalen Netzes (techn. gesprochen liefern beide Verfahren ein nichtlineares, statisches Kennfeld). Im Gegensatz zum KNN, das selbständig aus den gegebenen Daten lernt, muss ein Fuzzy-System allerdings explizit entworfen werden. Dies geschieht mittels der Formulierung von Wenn-Dann-Regeln, wobei sogenannte linguistische Variable, d.h. umgangssprachliche Werte benutzt werden. Dies kommt der menschlichen Denkweise entgegen. Sinnvoll kann die Kombination der beiden Technologien KNN und Fuzzy-Logic sein, um beispielsweise mit dem KNN ein Modell des Prozesses zu bilden, das genutzt wird, um den Prozess mit Hilfe von Fuzzy-Logic-Regeln zu führen. Konventionelle Technologien Selbstverständlich beherrschen wir auch alle konventionellen Technologien, wie z.b. Automatisierungstechnik, Prozessleittechnik und Datenbanktechnologien. Stärken / Vorteile Durch die Modellbildung mit realen Daten vor der eigentlichen Projektrealisierung besteht im Vorfeld sehr große Sicherheit bzgl. der Erreichbarkeit der vorgegebenen Ziele. Damit wird das Projektrisiko extrem minimiert. Aufgrund des datengetriebenen Ansatzes liegen die erzielten Ergebnisse deutlich näher am theoretisch erreichbaren Optimum, als bei einem empirischen Ansatz (Fuzzy-Logik). Der Gesamtaufwand für die Realisierung liegt deutlich unter dem Aufwand für eine empirische Fuzzy- Lösung und drastisch unter dem Aufwand für eine konventionelle Lösung auf der Basis von physikalischen Modellen (ASM,...). Damit wird die Wirtschaftlichkeit der Prozessoptimierung erreicht. Das patentierte Verfahren Security- Net stellt sicher, dass Sie jederzeit eine statistisch gesicherte Aussage über die Gültigkeit der Prognosewerte des Modells erhalten. Nutzen Ihr Nutzen besteht in der, teilweise erheblichen, Einsparung von Energieeinsatz und Betriebsmitteln sowie der größeren Sicherheit in der Erreichung der vorgegebenen verfahrenstechnischen Grenzwerte. Durch Bearbeitung der Daten der betreffenden Anlagen kann Ihnen das erwartete wirtschaftliche Potenzial vorgerechnet werden: Reduzierte Ablaufwerte Reduzierter Betriebsmitteleinsatz Reduzierter Energieeinsatz Erhöhte Sicherheit Bei Anwendung des 10, AbwAG kann die Investition mit den Abwasserabgaben der vergangenen drei Jahre verrechnet werden. Die Voraussetzung dafür: Das Erreichen einer Reduzierung von mindestens 20 % eines Überwachungswertes. Dies wird von aquatune nach einer kostenlosen und unverbindlichen Analyse garantiert.

Referenzen Die Referenzen unseres Partners ATLAN-tec in wassertechnischen, aber auch anderen verfahrenstechnischen Anlagen zeigen die weite Verbreitung und das große Potential unserer Technologien: ABB AG, Mannheim AEW-Plan GmbH, Köln Akzo Nobel AG, Obernburg Bachofen AG, Uster (CH) Babcock Anlagenbau GmbH, Oberhausen BASF AG, Ludwigshafen Bayer AG, Dormagen Bayer AG, Krefeld Bayer AG, Leverkusen Beiersdorf AG, Hamburg Biochemie GmbH, Kundl (A) Boehringer Mannheim, Penzberg BSL Olefinverbund AG, Merseburg Celanese GmbH, Werk Ruhrchemie, Oberhausen Cerestar Ltd., Manchester (GB) CIBA Spezialitätenchemie GmbH, Lampertheim (D) + Pratteln (CH) Condea Chemie GmbH (RWE-DEA), Brunsbüttel Daimler-Benz AG, Hamburg Degussa AG, Hanau Deutsche Babcock Anlagen GmbH, Oberhausen Deutsche EXXON Chemical GmbH, Köln Deutsche Shell AG, Köln Dr. Karl Thomae GmbH, Biberach EFFEM GmbH, Verden Elektromark AG, Hagen Elenac GmbH, Werk Wesseling ENKA GmbH & Co.KG, Heinsberg Erasmus Universität Rotterdam EUDIG AG, Dillenburg EWE AG, Oldenburg Heidelberger Zement GmbH, Heidelberg Heineken BV, Zoeterwoude (NL) Henkel KGaA, Düsseldorf Hoechst Research & Technology GmbH & Co.KG, Frankfurt Hoffmann-La Roche AG, Grenzach-Wyhlen Hüls Infracor GmbH, Marl ICA GmbH, Hannover InfraServ GmbH & Co.KG, Wiesbaden Intersnack GmbH & Co.KG, Köln ISW, Wädenswil (CH) Keller GmbH, Ibbenbüren Kerr-McGee Pigmente GmbH & Co.KG, Krefeld KHD GmbH, Köln Klöckner Möller GmbH, Bonn Krupp Uhde GmbH, Dortmund Leybold Systems GmbH, Hanau Merck KGaA, Darmstadt MiRO Mineralöl Raffinerie GmbH & Co.KG, Karlsruhe Mercedes Benz AG, Bremen NGW Niederrheinische Gas- und Wasserwerke, Duisburg NIS GmbH, Hanau OWA Odenwald Faserplattenwerke GmbH, Amorbach Peroxid-Chemie GmbH, Pullach Polymerlatex GmbH & Co.KG, Marl Rheinische Olefinwerke GmbH, Wesseling Raffinerieverband Vohburg Ingolstadt (RVI, BP, AGIP) RWE Energie, Wesseling Sachtleben Chemie GmbH, Duisburg Sartorius AG, Göttingen Schering AG, Bergkamen + Berlin Solvay Deutschland GmbH, Hannover STEAG u. VEW ohg, Bergkamen Stockhausen Chemie GmbH & Co.KG, Krefeld Sycon GmbH, Schwalmtal TDE GmbH, Durmersheim Wacker Siltronic AG, Burghausen Waeschle Maschinenfabrik GmbH, Ravensburg Witco GmbH, Bergkamen

Notizen

aquatune Dr. Gebhardt & Co. GmbH Untig Mühl 65326 Aarbergen Tel.: +49 (0) 6120 9043 47 Fax: +49 (0) 6120 9043 48 Internet: www.aquatune.de Email: info@aquatune.de